关系分类模型的学习界限与应用
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第14-31页 |
| 1.1 研究背景和意义 | 第14-17页 |
| 1.1.1 理论研究价值 | 第16-17页 |
| 1.1.2 应用研究价值 | 第17页 |
| 1.2 国内外研究现状 | 第17-28页 |
| 1.2.1 关系数据 | 第18-19页 |
| 1.2.2 关系分类 | 第19-20页 |
| 1.2.3 关系分类模型的学习界限 | 第20-22页 |
| 1.2.4 马尔科夫逻辑网 | 第22-28页 |
| 1.3 研究内容和组织结构 | 第28-31页 |
| 第2章 关系分类模型的复杂度学习界限 | 第31-46页 |
| 2.1 引言 | 第31-32页 |
| 2.2 Non-I.I.D数据的概率不等式 | 第32-34页 |
| 2.2.1 数据的依赖强度 | 第32-33页 |
| 2.2.2 概率中心不等式 | 第33-34页 |
| 2.3 数据依赖的学习界限 | 第34-39页 |
| 2.3.1 模型空间有限时学习的界限 | 第34-35页 |
| 2.3.2 关系分类模型的复杂度 | 第35-37页 |
| 2.3.3 模型空间无限时学习的界限 | 第37-39页 |
| 2.4 学习界限分析与应用实例 | 第39-45页 |
| 2.4.1 学习界限的可行性分析 | 第39-41页 |
| 2.4.2 马尔科夫逻辑网实例分析 | 第41-45页 |
| 2.5 小结 | 第45-46页 |
| 第3章 关系分类模型的稳定性学习界限 | 第46-56页 |
| 3.1 引言 | 第46-47页 |
| 3.2 关系分类模型的稳定性 | 第47-48页 |
| 3.3 关系分类模型的稳定性学习界限 | 第48-51页 |
| 3.4 关系分类模型的稳定学习算法 | 第51-54页 |
| 3.4.1 稳定性学习界限的可行性分析 | 第51页 |
| 3.4.2 稳定的学习算法 | 第51-54页 |
| 3.5 实验和结果分析 | 第54-55页 |
| 3.6 小结 | 第55-56页 |
| 第4章 多领域关系迁移学习 | 第56-77页 |
| 4.1 引言 | 第56-58页 |
| 4.2 多领域知识的融合 | 第58-60页 |
| 4.2.1 融合的步骤 | 第58-59页 |
| 4.2.2 融合的实例 | 第59-60页 |
| 4.3 从一个不确定超图中挖掘频繁子超图 | 第60-64页 |
| 4.3.1 不确定超图的基本定义 | 第62-63页 |
| 4.3.2 挖掘频繁子超图的问题描述 | 第63-64页 |
| 4.4 挖掘频繁子超图算法 | 第64-71页 |
| 4.4.1 超图的标准编码 | 第65-68页 |
| 4.4.2 计算子超图的期望支持度 | 第68-71页 |
| 4.5 知识迁移机制 | 第71-72页 |
| 4.6 实验和结果分析 | 第72-76页 |
| 4.6.1 数据集 | 第72-73页 |
| 4.6.2 知识挖掘实验结果 | 第73页 |
| 4.6.3 迁移学习实验结果 | 第73-76页 |
| 4.7 本章小结 | 第76-77页 |
| 第5章 网络安全中的应用 | 第77-95页 |
| 5.1 网络可用性损害预估 | 第77-83页 |
| 5.1.1 引言 | 第77-78页 |
| 5.1.2 网络可用性损害评估 | 第78-80页 |
| 5.1.3 网络拓扑传播要素 | 第80-81页 |
| 5.1.4 实验和结果分析 | 第81-83页 |
| 5.2 网络舆论领袖识别 | 第83-87页 |
| 5.2.1 引言 | 第83-84页 |
| 5.2.2 舆论领袖识别模型 | 第84页 |
| 5.2.3 实验结果与分析 | 第84-87页 |
| 5.3 垃圾邮件分类 | 第87-91页 |
| 5.3.1 引言 | 第87-88页 |
| 5.3.2 垃圾邮件分类模型 | 第88-89页 |
| 5.3.3 实验和结果分析 | 第89-91页 |
| 5.4 网络舆论倾向性分析 | 第91-94页 |
| 5.4.1 引言 | 第91-92页 |
| 5.4.2 网络舆论倾向性分析模型 | 第92页 |
| 5.4.3 实验和结果分析 | 第92-94页 |
| 5.5 本章小结 | 第94-95页 |
| 结论 | 第95-97页 |
| 参考文献 | 第97-107页 |
| 攻读博士学位期间发表的论文及其他成果 | 第107-110页 |
| 致谢 | 第110-112页 |
| 个人简历 | 第112页 |
